基于混沌和PSO神经网络的短时交通流预测研究

摘要

交通流预测是智能交通系统的一个重要研究领域。快速准确的交通流预测是智能交通系统中实时交通信号控制、交通分配、路径诱导、自动导航、事故检测等应用的重要前提和基础。然而，交通系统是一个由人、车、路等多因素组成的复杂系统，具有高度的复杂性、非线性、不确定性等特征，对交通流进行准确、实时、可靠地预测成为一项重要的研究课题。
　　 本文根据基于交通流动力学特性的可预测性分析原理和混沌时间序列分析理论，在分析美国加州PeMS真实交通数据的基础上，将相空间重构技术应用于交通流预测，以期发现蕴藏在交通流数据中的内在规律，从而提高交通流预测的精度。具体包括利用C-C方法确定相空间重构所需的时间延迟τ和嵌入维数m；对交通流时间序列数据进行相空间重构后，用小数据量法计算出大于零的非线性混沌特征量Lyapunov指数，验证了交通混沌的存在。交通流数据具有高度的复杂性和非线性特性，神经网络具有极强的非线性处理能力、自组织、自适应和自学习能力，是交通流预测的有效方法。粒子群优化(ParticleSwarm Optimization，PSO)算法作为一种新兴的进化算法，其收敛速度快、鲁棒性高、全局搜索能力强，且不需要借助问题本身的特征信息。本文把粒子群优化算法作为BP神经网络的训练算法，将粒子群优化算法与人工神经网络融合构建PSO神经网络。针对基本粒子群算法存在的问题，本文综合粒子群算法的研究成果从惯性权重、速度限制、收敛特性、搜索能力等方面改进了基本PSO算法，综合改进的算法提高了PSO神经网络的收敛速度和训练精度以及泛化能力，保证了短时交通流PSO神经网络预测的实时性和准确性。
　　 本文最后构建了相空间中的PSO神经网络短时交通流单点单步预测模型，将PeMS交通数据库中实际采集的交通流分为工作日规律性和节假日不规律两类进行了预测研究，对比分析了粒子群优化算法综合改进前后PSO神经网络模型的预测效果，预测结果充分验证了综合改进的PSO算法和相空间中PSO神经网络短时交通流单点单步预测模型的有效性。

目录

文摘

英文文摘

声明

第1章 绪论

1.1交通流预测的意义

1.2国内外交通预测研究现状及发展趋势

1.2.1国外研究概况

1.2.2国内研究概况

1.3本文研究内容与章节安排

1.3.1研究内容

1.3.2章节安排

第2章 交通流预测的相关理论

2.1交通流预测基本概念

2.1.1交通流预测的定义和分类

2.1.2短时交通流预测的原理

2.2交通流预测中的信息获取

2.2.1交通信息采集技术

2.2.2交通流参数及其检测计算

2.2.3本文交通流数据来源

2.3混沌时间序列分析

2.4人工神经网络基本原理

2.4.1人工神经网络简述

2.4.2 BP神经网络

2.5粒子群优化算法

2.5.1粒子群算法基本原理

2.5.2基本粒子群算法流程

第3章 基于动力学特性的交通流可预测性分析

3.1交通流特性

3.2交通流可预测性分析

3.2.1交通流动力学特性分析

3.2.2交通流可预测性分析流程

3.3交通流时间序列相空间重构

3.3.1相空间重构理论

3.3.2时间延迟τ和嵌入维数m的选取

3.4交通流非线性特征量Lyapunov指数

3.4.1 Lyaounov指数定义

3.4.2小数据量法求Lyapunov指数

3.4.3最大可预报尺度

3.5小结

第4章 交通流PSO神经网络预测模型

4.1 PSO神经网络原理与实现

4.1.1粒子群优化算法与神经网络的融合

4.1.2粒子群算法优化神经网络的流程

4.2 PSO神经网络的综合改进

4.2.1基本PSO算法优化神经网络存在的问题

4.2.2综合改进的PSO神经网络

4.3实验结果及分析

第5章 基于PSO神经网络的短时交通流预测实例

5.1相空间中的PSO神经网络交通流预测

5.1.1相空间中的PSO神经网络预测模型

5.1.2短时交通流量PSO神经网络预测的步骤

5.1.3 PSO神经网络应用设计

5.2短时交通流预测实例分析

5.2.1交通流数据预处理

5.2.2交通流预测评价指标

5.2.3预测效果比较分析

5.3交通流分时段预测研究

总结与展望

致谢

参考文献

攻读硕士学位期间发表的论文